CN111141920B - 基于强化学习的数字微流控生物芯片的故障在线检测方法 - Google Patents
基于强化学习的数字微流控生物芯片的故障在线检测方法 Download PDFInfo
- Publication number
- CN111141920B CN111141920B CN201911345860.8A CN201911345860A CN111141920B CN 111141920 B CN111141920 B CN 111141920B CN 201911345860 A CN201911345860 A CN 201911345860A CN 111141920 B CN111141920 B CN 111141920B
- Authority
- CN
- China
- Prior art keywords
- test
- reinforcement learning
- time
- droplets
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000018 DNA microarray Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 239000007788 liquid Substances 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001712 DNA sequencing Methods 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 231100000584 environmental toxicity Toxicity 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000002032 lab-on-a-chip Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
- G01N35/00613—Quality control
- G01N35/00623—Quality control of instruments
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于强化学习的数字微流控生物芯片的故障在线检测方法，包括基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型；获取设定的基于强化学习算法的初始参数、算法迭代的目标次数Max、信息共享时间Tx，建立每个测试液滴相应的Q表；基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极；基于判断条件，输出目标测试时间和测试液滴的目标路径。通过多液滴并行在线测试，提高测试液滴的利用率，减少测试液滴的能耗问题，使得测试液滴在较短的时间内，优化测试路径，完成芯片的故障检测，保障数字微流控芯片的可靠性。
Description
技术领域
本发明涉及数字微流控生物芯片的故障检测技术领域，尤其涉及一种基于强化学习的数字微流控生物芯片的故障在线检测方法。
背景技术
随着科技的发展，微流控生物芯片已在微电子学、生物化学和生物医学的许多领域上应用，其中包括药物发现、高通量DNA测序、环境毒性监测替代传统的实验室实验等。微流控芯片(microfluidics biochip)能在一块极其微型的芯片上实现传统实验室的取样、分离、检测等功能，因而又被称为芯片实验室(Lab-on-a-chip)。第一代微流控生物芯片包括永久蚀刻的微型泵，微型阀和微型通道玻璃或塑料或其他聚合物，其驱动基于连续流体流动的原理。但是，连续流体微流控芯片虽可完成很多生化实验，但无法对液滴进行精准灵活的控制，难于满足要求更高更复杂的实验需求。
数字微流控芯片与连续流体微流控芯片相比，液滴是离散且相对独立的。典型的数字微流控生物芯片包括二维控制电极阵列单元、外围设备(例如分配端口，光学检测器，集成逻辑和周围的控制引脚)组成。通过改变引脚控制电压，生化实验试剂液滴就可以在电润湿的作用下在电极阵列上移动。为了精确控制液滴的运动，将电极连接到控制引脚以实现输入信号。
随着技术的不断革新和发展，为了满足越来越复杂的生化实验系统的高可靠性要求，对数字微流控芯片故障检测的研究也尤为重要。因此，为提高空闲电极阵列单元的利用率，在生化实验进行过程中用多个测试液滴对芯片并行进行测试，在保证阵列单元覆盖率的前提下，最大程度的缩短故障检测时间，保障数字微流控芯片的可靠性的问题亟待解决。
发明内容
本发明的目的在于提供一种基于强化学习的数字微流控生物芯片的故障在线检测方法，通过多液滴并行在线测试，提高测试液滴的利用率，减少测试液滴的能耗问题，使得测试液滴在较短的时间内，优化测试路径，完成芯片的故障检测，保障数字微流控芯片的可靠性。
为实现上述目的，本发明提供了一种基于强化学习的数字微流控生物芯片的故障在线检测方法，包括：
基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型；其中，所述约束条件为静态约束条件、动态约束条件和禁忌约束条件；
获取设定的基于强化学习算法的初始参数、算法迭代的目标次数Max、信息共享时间Tx，建立每个测试液滴相应的Q表；其中，所述初始参数包括学习率α、奖励r、衰减率γ和择优概率参数ε；
基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极；
基于判断条件，输出目标测试时间和测试液滴的目标路径，所述判断条件包括判断多个测试液滴是否发生冲突、判断测试时间是否达到信息共享时间Tx和判断迭代次数是否达到目标次数Max。
在一实施方式中，基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型，具体包括：
获取m·n个电极单元和电极间的相邻边标定为无向图G中的点V和边E；
对m·n个电极单元和电极间的相邻边按照从小到大的顺序进行赋值编号，则编号i的阵列单元与对应坐标(xi,yi)之间的关系为：
i＝m·(yi-1)+xi；
其中，m为芯片阵列的总行数，n为芯片阵列的总列数；
以左上角为原点，水平往右方向为x轴，竖直向下方向为y轴建立直角坐标系。
在一实施方式中，所述静态约束条件为在同一时刻内，两个液滴的横坐标之差的绝对值大于或等于二或两个液滴的纵坐标之差的绝对值大于或等于二。
在一实施方式中，所述动态约束条件为两个液滴在下一时刻的移动电极不相邻，两个液滴在时间差为1的时刻下横坐标之差的绝对值大于或等于二或两个液滴在时间差为1的时刻下纵坐标之差的绝对值大于或等于二。
在一实施方式中，所述禁忌约束条件为当前测试液滴处于禁忌矩阵的单元编号外，所述禁忌矩阵为T(i)＝{i+n，i+n-1，i+n+1，i-n，i-n+1，i-n-1，i+1，i-1}。
在一实施方式中，基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极；其中，所述更新规则函数为：
Q(i，a)←Q(i，a)+α[r+γmaxQ(i',a')-Q(i，a)]；
其中a为测试液滴采取的动作，所述动作包括上移、下移、左移、右移四个动作，i为阵列单元编号，α为测试液滴的学习率，α＞0，r为奖励，γ为衰减率，0≤γ,＜1。
在一实施方式中，基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极；其中，所述贪婪函数为：
π*(it)＝argmaxQ(it，at)。
在一实施方式中，基于判断条件，输出目标测试时间和测试液滴的目标路径，所述判断条件包括判断多个测试液滴是否发生冲突、判断测试时间是否达到信息共享时间Tx和判断迭代次数是否达到目标次数Max；其中，所述判断多个测试液滴是否发生冲突，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则基于轮盘赌方法给多个测试液滴分配优先级，在[0,1]区间内随机生成伪随机数z，伪随机数z落入目标测试液滴的概率之间，则选择目标测试液滴去测试引起冲突的电极。
在一实施方式中，基于判断条件，输出目标测试时间和测试液滴的目标路径，所述判断条件包括判断多个测试液滴是否发生冲突、判断测试时间是否达到信息共享时间Tx和判断迭代次数是否达到目标次数Max；其中，所述判断测试时间是否达到信息共享时间Tx，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则共享所有测试液滴在同一阵列单元和选择同一动作时获得奖励值的Q值。
在一实施方式中，基于判断条件，输出目标测试时间和测试液滴的目标路径，所述判断条件包括判断多个测试液滴是否发生冲突、判断测试时间是否达到信息共享时间Tx和判断迭代次数是否达到目标次数Max；其中，所述判断迭代次数是否达到目标次数Max，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则输出各个测试液滴的操作序列图，比较每个测试液滴的测试时间，输出测试时间升序排列在前的第一测试时间为目标测试时间，得到测试液滴的目标路径。
本发明的一种基于强化学习的数字微流控生物芯片的故障在线检测方法，通过基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型；获取设定的基于强化学习算法的初始参数、算法迭代的目标次数Max、信息共享时间Tx，建立每个测试液滴相应的Q表；基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极；基于判断条件，输出目标测试时间和测试液滴的目标路径。通过多液滴并行在线测试，提高测试液滴的利用率，减少测试液滴的能耗问题，使得测试液滴在较短的时间内，优化测试路径，完成芯片的故障检测，保障数字微流控芯片的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于强化学习的数字微流控生物芯片的故障在线检测方法的流程示意图；
图2是本发明实施例步骤S104的具体流程示意图；
图3是本发明实施例的芯片模型转换图；
图4是本发明实施例静态约束和动态约束的示例图；
图5是本发明实施例的强化学习的更新流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅图1，图1是本发明实施例提供的一种基于强化学习的数字微流控生物芯片的故障在线检测方法的流程示意图。具体的，所述基于强化学习的数字微流控生物芯片的故障在线检测方法可以包括以下步骤：
S101、基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型。
本发明实施例中，所述栅格法是将工作环境进行单元分割，将其用大小相等的方块表示出来。将电极标定为一格一格的小栅格，实验液滴和测试液滴在芯片上移动。无向图的边是没有方向的，即两个相连的顶点可以互相抵达。获取m·n个电极单元和电极间的相邻边标定为无向图G中的点V和边E；将对芯片的测试路径规划问题，转化成对无向图G(V，E)的路径的寻优问题。为了更便于分析路径寻优问题，本发明结合坐标法和赋值法，对电极单元以及电极间的边采用十进制编码，对m·n个电极单元和电极间的相邻边按照从小到大的顺序进行赋值编号，则编号i的阵列单元与对应坐标(xi,yi)之间的关系为：
i＝m·(yi-1)+xi；
其中，m为芯片阵列的总行数，n为芯片阵列的总列数；
以左上角为原点，水平往右方向为x轴，竖直向下方向为y轴建立直角坐标系。请参阅图3，以3*3芯片阵列单元为例，为阵列单元和相邻边编号。
分析液滴的流体运动，当芯片上存在多个实验液滴和测试液滴时，为了防止液滴与液滴之间发生无法逆转的意外融合，多个液滴之间需要满足约束条件，所述约束条件为静态约束条件、动态约束条件和禁忌约束条件；请参阅图4，所述静态约束条件为在同一时刻内，两个液滴的横坐标之差的绝对值大于或等于二或两个液滴的纵坐标之差的绝对值大于或等于二。两个液滴的坐标分别为(X1t,Y1t)、(X2t,Y2t)，即在同一时刻t内，两个液滴之间不能相邻，|X1t-X2t|≥2或|Y1t-Y2t|≥2。所述动态约束条件为液滴1在下一时刻的移动电极不能与液滴2相邻，两个液滴在时间差为1的时刻下横坐标之差的绝对值大于或等于二或两个液滴的纵坐标之差的绝对值大于或等于二，即液滴的下一时刻不能与其他液滴相邻，|X1t+1-X2t|≥2或|Y1t+1-Y2t|≥2或|X2t+1-X1t|≥2或|Y2t+1-Y1t|≥2。当液滴与液滴之间处在相邻位置时，不仅仅是水平方向和垂直方向，斜对角方向也会发生融合，根据芯片的实验液滴操作的先后顺序，确定实验液滴的实验路径，即得到数字微流控芯片的操作电极序列图，将实验液滴的每一时刻的邻域的电极编号加入禁忌矩阵内，矩阵内的数字为测试液滴在当前时刻不能访问的电极。因此所述禁忌约束条件为当前测试液滴处于禁忌矩阵的单元编号外，即为当前测试液滴不能访问的边的集合，所述禁忌矩阵为T(i)＝{i+n，i+n-1，i+n+1，i-n，i-n+1，i-n-1，i+1，i-1}。集合T(i)内的阵列单元编号包括实验液滴所在的单元编号以及实验液滴周围的相邻电极单元编号，根据实验液滴的操作路径，实时更新。
S102、获取设定的基于强化学习算法的初始参数、算法迭代的目标次数Max、信息共享时间Tx，建立每个测试液滴相应的Q表。
本发明实施例中，所述强化学习算法，又称再励学习、评价学习或增强学习，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。所述初始参数包括学习率α、奖励r、衰减率γ和择优概率参数ε；Q表是为每一状态上进行的每一动作计算出最大的未来奖励的期望，通过Q表，可以知道在每一个状态下采取的最佳动作，如左移、右移、上移、下移。每个单元格的值代表给定状态和相应动作的最大未来奖励期望。
S103、基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极。
本发明实施例中，请参阅图5，是本发明实施例的强化学习的更新流程示意图。结合强化学习与轮盘赌方法的特点，帮助测试液滴找出一条从起点到终点获得最大累积奖励的最佳策略，使得测试液滴在检测芯片故障时，能够更高效的对各个阵列单元完成故障检测。本发明提出的强化学习算法的主要是建立一个Q表来存储Q值，按照贪婪函数选择测试液滴在当前阵列单元内Q值最大所对应的动作，在测试中通过不断去跳转Q表中的值，来学习到最佳路径。所述更新规则函数为：
Q(i，a)←Q(i，a)+α[r+γmaxQ(i',a')-Q(i，a)]；
其中a为测试液滴采取的动作，所述动作包括上移、下移、左移、右移四个动作，i为阵列单元编号，α为测试液滴的学习率，α＞0，r为奖励，γ为衰减率，0≤γ,＜1。
所述贪婪函数为：
π*(it)＝argmaxQ(it，at)。
测试液滴的每一步动作以一定的概率ε(0＜ε＜1)选择具有最大奖励rmax对应的动作，以(1-ε)的概率随机选择动作，使测试液滴尽可能覆盖所有的阵列单元，接着再按照Q学习的所述更新规则函数更新Q值充实Q表。
S104、基于判断条件，输出目标测试时间和测试液滴的目标路径。
本发明实施例中，请参阅图2，所述判断条件包括判断多个测试液滴是否发生冲突、判断测试时间是否达到信息共享时间Tx和判断迭代次数是否达到目标次数Max。在Q表更新的同时，当遇到冲突问题时，所述判断多个测试液滴是否发生冲突，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则基于轮盘赌方法给多个测试液滴分配优先级，在[0,1]区间内随机生成伪随机数z，伪随机数z落入目标测试液滴的概率之间，则选择目标测试液滴去测试引起冲突的电极。所述轮盘赌方法，又称为比例选择算法，其内容为各个个体被选中的概率与其适应度函数值大小成正比。
首先计算每个测试液滴的概率公式为：
测试液滴的累积概率公式为：
若z＜q[1]，则选择编号为1的测试液滴，否则，选择编号为k的测试液滴，使得：q[k-1]＜z＜q[k]。
所述判断测试时间是否达到信息共享时间Tx，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则共享所有测试液滴在同一阵列单元和选择同一动作时获得奖励值的Q值。多个测试液滴的信息共享，使得测试液滴能有效的探索更多的阵列单元，避免陷入局部最优，其定义为：
所述判断迭代次数是否达到目标次数Max，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则输出各个测试液滴的操作序列图，比较每个测试液滴的测试时间，输出测试时间升序排列在前的第一测试时间为目标测试时间，得到测试液滴的目标路径。
本发明的基于强化学习的数字微流控生物芯片的故障在线检测方法，首先建立数字微流控芯片的数学模型，采用十进制对模型中的点V和边E进行编码，结合强化学习算法与轮盘赌方法进行路径规划，采用多液滴并行在线测试的方式，在液滴的静态约束、动态约束和实验液滴的禁忌约束下，实现对各个电极阵列单元的故障检测。通过多液滴并行在线测试，提高测试液滴的利用率，减少测试液滴的能耗问题，使得测试液滴在较短的时间内，优化测试路径，完成芯片的故障检测。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上所揭露的仅为本发明部分实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (4)
1.一种基于强化学习的数字微流控生物芯片的故障在线检测方法，其特征在于，包括：
基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型；其中，所述约束条件为静态约束条件、动态约束条件和禁忌约束条件；
获取设定的基于强化学习算法的初始参数、算法迭代的目标次数Max、信息共享时间Tx，建立每个测试液滴相应的Q表；其中，所述初始参数包括学习率α、奖励r、衰减率γ和择优概率参数ε；
基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵选择测试液滴的下一个电极；
基于判断条件，输出目标测试时间和测试液滴的目标路径，所述判断条件包括判断多个测试液滴是否发生冲突、判断测试时间是否达到信息共享时间Tx和判断迭代次数是否达到目标次数Max；
基于栅格法、图论中的无向图方法和芯片约束条件，建立数字微流控芯片的数学模型，具体包括：
获取m·n个电极单元和电极间的相邻边标定为无向图G中的点V和边E；
对m·n个电极单元和电极间的相邻边按照从小到大的顺序进行赋值编号，则编号i的阵列单元与对应坐标(xi,yi)之间的关系为：
i＝m·(yi-1)+xi；
其中，m为芯片阵列的总行数，n为芯片阵列的总列数；
以左上角为原点，水平往右方向为x轴，竖直向下方向为y轴建立直角坐标系；
所述更新规则函数为：
Q(i，a)←Q(i，a)+α[r+γmaxQ(i',a')-Q(i，a)]；
其中a为测试液滴采取的动作，所述动作包括上移、下移、左移、右移四个动作，i为阵列单元编号，α为测试液滴的学习率，α＞0，r为奖励，γ为衰减率，0≤γ,＜1；
所述贪婪函数为：
π*(it)＝argmaxQ(it，at)；
所述判断多个测试液滴是否发生冲突，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则基于轮盘赌方法给多个测试液滴分配优先级，在[0,1]区间内随机生成伪随机数z，伪随机数z落入目标测试液滴的概率之间，则选择目标测试液滴去测试引起冲突的电极；
所述判断测试时间是否达到信息共享时间Tx，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则共享所有测试液滴在同一阵列单元和选择同一动作时获得奖励值的Q值；
所述判断迭代次数是否达到目标次数Max，包括：
若否，则基于强化学习算法的更新规则函数、贪婪函数以及禁忌矩阵重新选择测试液滴的下一个电极；
若是，则输出各个测试液滴的操作序列图，比较每个测试液滴的测试时间，输出测试时间升序排列在前的第一测试时间为目标测试时间，得到测试液滴的目标路径。
2.如权利要求1所述的基于强化学习的数字微流控生物芯片的故障在线检测方法，其特征在于，所述静态约束条件为在同一时刻内，两个液滴的横坐标之差的绝对值大于或等于二或两个液滴的纵坐标之差的绝对值大于或等于二。
3.如权利要求2所述的基于强化学习的数字微流控生物芯片的故障在线检测方法，其特征在于，所述动态约束条件为两个液滴在下一时刻的移动电极不相邻，两个液滴在时间差为1的时刻下横坐标之差的绝对值大于或等于二或两个液滴的纵坐标之差的绝对值大于或等于二。
4.如权利要求3所述的基于强化学习的数字微流控生物芯片的故障在线检测方法，其特征在于，所述禁忌约束条件为当前测试液滴处于禁忌矩阵的单元编号外，所述禁忌矩阵为T(i)＝{i+n，i+n-1，i+n+1，i-n，i-n+1，i-n-1，i+1，i-1}。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345860.8A CN111141920B (zh) | 2019-12-24 | 2019-12-24 | 基于强化学习的数字微流控生物芯片的故障在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345860.8A CN111141920B (zh) | 2019-12-24 | 2019-12-24 | 基于强化学习的数字微流控生物芯片的故障在线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111141920A CN111141920A (zh) | 2020-05-12 |
| CN111141920B true CN111141920B (zh) | 2023-03-14 |
Family
ID=70519656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911345860.8A Active CN111141920B (zh) | 2019-12-24 | 2019-12-24 | 基于强化学习的数字微流控生物芯片的故障在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111141920B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023082470A1 (zh) * | 2021-11-12 | 2023-05-19 | 佛山奥素博新科技有限公司 | 一种微流控芯片、微流控装置及液滴实时控制方法 |
| CN114308159B (zh) * | 2021-12-29 | 2023-09-01 | 复旦大学 | 一种光致电润湿芯片中液滴的自动化控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650074A (zh) * | 2016-12-14 | 2017-05-10 | 桂林电子科技大学 | 一种基于遗传蚁群融合算法的数字微流控芯片灾难性故障测试方法 |
| CN106886843A (zh) * | 2017-03-24 | 2017-06-23 | 哈尔滨工业大学 | 基于改进粒子群算法的数字微流控芯片故障检测方法及系统 |
| CN106934173A (zh) * | 2017-03-24 | 2017-07-07 | 哈尔滨工业大学 | 基于禁忌搜索与人工势场法相结合的数字微流控芯片在线测试方法 |
| CN109190259A (zh) * | 2018-09-07 | 2019-01-11 | 哈尔滨工业大学 | 基于改进Dijkstra算法和IPSO结合的数字微流控芯片故障修复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8883014B2 (en) * | 2011-06-03 | 2014-11-11 | The Regents Of The University Of California | Monolithically formed EWOD device and method of making the same |
-
2019
- 2019-12-24 CN CN201911345860.8A patent/CN111141920B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650074A (zh) * | 2016-12-14 | 2017-05-10 | 桂林电子科技大学 | 一种基于遗传蚁群融合算法的数字微流控芯片灾难性故障测试方法 |
| CN106886843A (zh) * | 2017-03-24 | 2017-06-23 | 哈尔滨工业大学 | 基于改进粒子群算法的数字微流控芯片故障检测方法及系统 |
| CN106934173A (zh) * | 2017-03-24 | 2017-07-07 | 哈尔滨工业大学 | 基于禁忌搜索与人工势场法相结合的数字微流控芯片在线测试方法 |
| CN109190259A (zh) * | 2018-09-07 | 2019-01-11 | 哈尔滨工业大学 | 基于改进Dijkstra算法和IPSO结合的数字微流控芯片故障修复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111141920A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106934173B (zh) | 基于禁忌搜索与人工势场法相结合的数字微流控芯片在线测试方法 | |
| McIntyre et al. | Machine learning for microfluidic design and control | |
| CN111141920B (zh) | 基于强化学习的数字微流控生物芯片的故障在线检测方法 | |
| Li et al. | Conceptual process synthesis: past and current trends | |
| US8364315B2 (en) | Methods, systems, and products for conducting droplet operations | |
| Ho et al. | Digital microfluidic biochips: A vision for functional diversity and more than Moore | |
| Ho et al. | Digital microfluidic biochips: recent research and emerging challenges | |
| Li et al. | Efficient and adaptive error recovery in a micro-electrode-dot-array digital microfluidic biochip | |
| US20100236929A1 (en) | Droplet Actuators, Systems and Methods | |
| CN110443433B (zh) | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 | |
| Luo et al. | Real-time error recovery in cyberphysical digital-microfluidic biochips using a compact dictionary | |
| CN109190259B (zh) | 基于改进Dijkstra算法和IPSO结合的数字微流控芯片故障修复方法 | |
| Luo et al. | Hardware/software co-design and optimization for cyberphysical integration in digital microfluidic biochips | |
| CN109214090B (zh) | 基于改进遗传算法的数字微流控芯片故障修复方法 | |
| Juárez et al. | An evolutionary multi-objective optimization algorithm for the routing of droplets in digital microfluidic biochips | |
| Xu et al. | Integrated droplet routing and defect tolerance in the synthesis of digital microfluidic biochips | |
| Bohringer | Towards optimal strategies for moving droplets in digital microfluidic systems | |
| O’Neill | AI-driven robotic laboratories show promise | |
| Singha et al. | Method of droplet routing in digital microfluidic biochip | |
| Dhatterwal et al. | Digital flow-based cyber-physical microfluidic biochips | |
| Shayan et al. | Toward secure checkpointing for micro-electrode-dot-array biochips | |
| Howladar et al. | Droplet transportation in MEDA-based biochips: An enhanced technique for intelligent cross-contamination avoidance | |
| Tanev et al. | A correct-by-construction design and programming approach for open paper-based digital microfluidics | |
| CN111274682B (zh) | 基于蛙跳算法的数字微流控芯片在线测试路径优化方法 | |
| CN112183011A (zh) | 一种“5连接”结构的电极共用引脚约束数字微流控生物芯片在线测试方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200512 Assignee: Guangxi Jingteng Medical Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980044846 Denomination of invention: An online fault detection method for digital microfluidic biochips based on reinforcement learning Granted publication date: 20230314 License type: Common License Record date: 20231031 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200512 Assignee: Guilin Zhanzhi Measurement and Control Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980045853 Denomination of invention: An online fault detection method for digital microfluidic biochips based on reinforcement learning Granted publication date: 20230314 License type: Common License Record date: 20231106 |
|
| EE01 | Entry into force of recordation of patent licensing contract |